Jukebox
Jukebox är OpenAIs 2020 neurala nätverk som genererar rå musikljud – komplett med sångröster, instrument och till och med texter i stil med specifika artister.
Översikt
It was a landmark proof that AI could model the actual waveform of song-length music, not just notes.
Djupdykning
Jukebox släpptes av OpenAI i april 2020 och genererar musik som råljud snarare än symboliska toner, vilket betyder att den producerar det faktiska ljudet inklusive sång. Den tränades på ungefär 1,2 miljoner låtar (ungefär hälften på engelska) skrapade från webben, ihopkopplade med texter och metadata från LyricWiki. Du kan villkora den på en genre, en artiststil och texter, och den kommer att sjunga igenkännligt (om dunkelt) som den artisten. Utgångarna är flera minuter långa. Haken är hastighet och trohet: genereringen var extremt långsam, det tog cirka nio timmar att återge en enda minuts ljud, och resultaten har en dämpad, bullrig kvalitet. Jukebox var forskning, inte en polerad produkt, men den omformade förväntningarna på vad som var möjligt.
Teknisk insikt
Jukebox komprimerar råljud med VQ-VAE-autokodare i tre tidsupplösningar, vilket gör en lång vågform till en mycket kortare sekvens av diskreta koder. Autoregressiva Transformers förutsäger sedan dessa koder en i taget, beroende på artist, genre och texter, och uppsamplare lägger till högfrekventa detaljer. Att avkoda koderna på bottennivån tillbaka till en vågform på 44,1 kHz är det som gör genereringen så långsam, eftersom miljontals ljudsampel måste produceras sekventiellt.
Strategisk inverkan
Access and reach
Det förbättrar tillgängligheten genom transkription, berättarröst och röstgränssnitt.
Cost and budget
Medieteam kan skicka polerat ljud snabbare med mindre budgetar.
Speed and scale
Kundvända system kan behandla talade interaktioner i större skala.
Jukeboxens framtid
Jukebox i sig är till stor del en historisk milstolpe nu, ersatt av snabbare spridning och latenta ljudmodeller som de bakom Suno och Udio som genererar låtar av nästan CD-kvalitet på några sekunder. Dess kärnidéer - diskreta ljudtokens och konditionering av texter - lever vidare i moderna system. Räkna med att framtida råljudmodeller kommer att fortsätta att minska generationstiden, skärpa röstens klarhet och lägga till fina kontroller, medan upphovsrättsfrågorna som Jukebox först tog upp om utbildning på upphovsrättsskyddade inspelningar bara blir högre.
Real-World Implementation
Forskare som studerar hur neurala nätverk kan modellera långformade råljud och sångröster med hjälp av Jukebox som referensarkitektur.
Musiker och hobbyister skapar kusliga, lo-fi 'AI-covers' som sjunger nya texter i en vald artists grova stil.
Lärare demonstrerar språnget från tongenerering i MIDI-stil till fullständig syntes av råljud med sång.
Ljuddesigners och experimentella artister skördar Jukebox disiga, drömlika texturer som råmaterial för remix och collage.
Risker & skyddsräcken
Riskerna för missbruk av röst och personifiering ökar när samtycke saknas.
Noggrannheten kan sjunka över accenter, dialekter eller bullriga miljöer.
Syntetiskt ljud kan misstas för autentiskt tal utan tydlig märkning.
Färdplan för genomförande
Skaffa uttryckligt samtycke för röstinfångning, kloning och återanvändning.
Testa kvalitet över olika högtalare och bakgrundsförhållanden.
Definiera när en människa måste granska eller godkänna utdata.
Märk syntetiskt ljud och håll härkomstregister för ansvarstagande.
Fortsätt utforska
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Jukebox quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Next guide
Symbolisk musikgeneration
Frequently asked questions
What is Jukebox?
Jukebox är OpenAIs 2020 neurala nätverk som genererar rå musikljud – komplett med sångröster, instrument och till och med texter i stil med specifika artister. Det var ett landmärkesbevis på att AI kunde modellera den faktiska vågformen av låtlängd musik, inte bara noter.
Vad skiljer Jukebox från tidigare symbolisk musik-AI-liknande system som matar ut MIDI?
Jukebox modellerar själva ljudet av musik som råljud, så den kan producera sång och instrumenttoner, till skillnad från symboliska system som bara matar ut notdata.
Vem släppte Jukebox och när ungefär?
OpenAI släppte Jukebox i april 2020 som en forskningsmodell för att generera musik med sång.
Vad var en stor praktisk begränsning av Jukebox?
Eftersom det avkodar råljudsampling för sampel tog Jukebox i storleksordningen nio timmar att producera en enda minuts musik, vilket gör det opraktiskt för realtidsanvändning.
Vilken kärnteknik använder Jukebox för att göra långa råljud hanterbar för sina Transformers?
Jukebox använder VQ-VAE-autokodare för att komprimera vågformen till diskreta tokens, som Transformers sedan modellerar autoregressivt innan de uppsamplar tillbaka till ljud.
Vad kan du villkora Jukebox utdata på?
Jukebox accepterar en genre, en artist att imitera och texter, och kommer att försöka sjunga dessa ord i den stilen.